CN112784151A - 一种确定推荐信息的方法及相关装置 - Google Patents
一种确定推荐信息的方法及相关装置 Download PDFInfo
- Publication number
- CN112784151A CN112784151A CN201911089952.4A CN201911089952A CN112784151A CN 112784151 A CN112784151 A CN 112784151A CN 201911089952 A CN201911089952 A CN 201911089952A CN 112784151 A CN112784151 A CN 112784151A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- label
- input method
- information flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 277
- 230000006399 behavior Effects 0.000 claims description 120
- 238000012549 training Methods 0.000 claims description 28
- 238000013136 deep learning model Methods 0.000 claims description 19
- 230000003542 behavioural effect Effects 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 description 57
- 230000009471 action Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请公开了一种确定推荐信息的方法及相关装置,该方法包括:查询目标用户的至少包括目标输入法第一标签的目标输入法画像;通过输入法标签体系‑信息流标签体系对应关系,查找目标输入法第一标签对应的第一目标信息流标签;基于第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息。可见,利用输入法标签体系‑信息流标签体系对应关系可以将目标用户的目标输入法标签转换为表征目标用户的目标信息流画像的目标信息流标签,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息精确性较低的问题。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种确定推荐信息的方法及相关装置。
背景技术
随着信息技术的快速发展,信息流产品等向用户推荐其感兴趣的信息,吸引用户的注意力以增加流量。一般地,信息流产品的用户分为两类,一类是在信息流产品中对信息具有点击行为的用户称为行为用户,另一类是在信息流产品中对信息无任何点击行为的用户称为新用户。
具体地,针对信息流产品的行为用户而言,收集一段时间内行为用户在信息流产品中对信息的点击行为,获得行为用户的信息流画像;当行为用户打开信息流产品时,可以基于行为用户的信息流画像向行为用户推荐符合其信息流画像的信息。
然而,针对信息流产品的新用户而言,由于新用户在信息流产品中对信息无任何点击行为,无法获得新用户的信息流画像;因此,当新用户打开信息流产品时,无法基于新用户的信息流画像向新用户推荐信息,只能随机推荐信息给新用户,很难吸引新用户的注意力以增加流量,导致信息流产品对新用户的信息推荐效果较差,从而大大影响新用户对信息流产品的用户体验。
发明内容
有鉴于此,本申请实施例提供一种确定推荐信息的方法及相关装置,克服了针对在信息流产品中对信息无任何点击行为的用户,无法获得信息流画像导致推荐信息精确性较低的问题。
第一方面,本申请实施例提供了一种确定推荐信息的方法,该方法包括:
查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
可选的,所述行为用户的信息流画像至少包括所述行为用户的信息流标签,所述行为用户的信息流标签的获得步骤包括:
基于所述行为用户对信息的点击行为,获得所述行为用户的信息流标签;和/或,
基于所述行为用户的输入法标签查找所述输入法标签体系-信息流标签体系对应关系,获得所述行为用户的输入法标签对应的所述行为用户的信息流标签。
可选的,所述输入法标签体系-信息流标签体系对应关系是将所述信息流标签体系中各个信息流标签放入输入法语料环境,与所述输入法标签体系中各个输入法标签匹配,预先建立的。
可选的,所述基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息,包括:
将所述第一目标信息流标签和多个所述候选推荐信息输入所述信息点击概率预测模型,获得多个所述候选推荐信息的预测点击概率;
基于多个所述候选推荐信息的预测点击概率,从多个所述候选推荐信息中确定所述目标推荐信息。
可选的,所述目标输入法画像还包括目标人口统计学特征,对应地,所述行为用户的信息流画像还包括所述行为用户的人口统计学特征;所述基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息,具体为:
基于所述第一目标信息流标签、所述目标人口统计学特征和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息;
其中,所述目标人口统计学特征是将所述目标输入法第一标签输入人口统计学特征估计模型获得的,所述人口统计学特征估计模型是基于输入法标签和对应的人口统计学特征预先训练深度学习模型获得的。
可选的,还包括:
向所述目标用户推荐所述目标推荐信息,获得所述目标用户对所述目标推荐信息的操作行为;
基于所述目标用户对所述待推荐信息的操作行为,获得所述目标推荐信息的点击概率;
基于所述第一目标信息流标签、所述目标推荐信息和所述目标推荐信息的点击概率,更新训练所述信息点击概率预测模型。
可选的,若所述目标用户对所述目标推荐信息的操作行为具体为点击行为,所述方法还包括:
基于所述目标用户对所述目标推荐信息的点击行为,获得所述目标用户的第二目标信息流标签;
基于所述第二目标信息流标签查找输入法标签体系-信息流标签体系对应关系,获得所述第二目标信息流标签对应的目标输入法第二标签;
基于所述目标输入法第二标签更新所述目标输入法画像。
第二方面,本申请实施例提供了一种确定推荐信息的装置,该装置包括:
目标输入法第一标签查询单元,用于查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
第一目标信息流标签获得单元,用于基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
目标推荐信息确定单元,用于基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
可选的,所述行为用户的信息流画像至少包括所述行为用户的信息流标签,所述装置还包括行为用户的信息流标签的获得单元;
所述行为用户的信息流标签的获得单元,用于基于所述行为用户对信息的点击行为,获得所述行为用户的信息流标签;和/或,
基于所述行为用户的输入法标签查找所述输入法标签体系-信息流标签体系对应关系,获得所述行为用户的输入法标签对应的所述行为用户的信息流标签。
可选的,所述输入法标签体系-信息流标签体系对应关系是将所述信息流标签体系中各个信息流标签放入输入法语料环境,与所述输入法标签体系中各个输入法标签匹配,预先建立的。
可选的,所述目标推荐信息确定单元包括:
预测点击概率获得子单元,用于将所述第一目标信息流标签和多个所述候选推荐信息输入所述信息点击概率预测模型,获得多个所述候选推荐信息的预测点击概率;
目标推荐信息确定子单元,用于基于多个所述候选推荐信息的预测点击概率,从多个所述候选推荐信息中确定所述目标推荐信息。
可选的,所述目标输入法画像还包括目标人口统计学特征,对应地,所述行为用户的信息流画像还包括所述行为用户的人口统计学特征;所述目标推荐信息确定单元具体用于:
基于所述第一目标信息流标签、所述目标人口统计学特征和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息;
其中,所述目标人口统计学特征是将所述目标输入法第一标签输入人口统计学特征估计模型获得的,所述人口统计学特征估计模型是基于输入法标签和对应的人口统计学特征预先训练深度学习模型获得的。
可选的,所述装置还包括:
推荐获得单元,用于向所述目标用户推荐所述目标推荐信息,获得所述目标用户对所述目标推荐信息的操作行为;
点击概率获得单元,用于基于所述目标用户对所述待推荐信息的操作行为,获得所述目标推荐信息的点击概率;
更新训练单元,用于基于所述第一目标信息流标签、所述目标推荐信息和所述目标推荐信息的点击概率,更新训练所述信息点击概率预测模型。
可选的,若所述目标用户对所述目标推荐信息的操作行为具体为点击行为,所述装置还包括:
第二目标信息流标签获得单元,用于基于所述目标用户对所述目标推荐信息的点击行为,获得所述目标用户的第二目标信息流标签;
目标输入法第二标签获得单元,用于基于所述第二目标信息流标签查找输入法标签体系-信息流标签体系对应关系,获得所述第二目标信息流标签对应的目标输入法第二标签;
目标输入法画像更新单元,用于基于所述目标输入法第二标签更新所述目标输入法画像。
第三方面,本申请实施例提供了一种用于确定推荐信息的装置,该装置包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
第四方面,本申请实施例提供了一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如上述第一方面中任一项所述的确定推荐信息的方法。
与现有技术相比,本申请至少具有以下优点:
采用本申请实施例的技术方案,查询目标用户的至少包括目标输入法第一标签的目标输入法画像;通过输入法标签体系-信息流标签体系对应关系,查找目标输入法第一标签对应的第一目标信息流标签;基于第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;信息点击概率预测模型是基于行为用户的信息流画像、点击信息和点击信息的点击概率预先训练深度学习模型获得的。由此可见,利用输入法标签体系-信息流标签体系对应关系可以将目标用户的目标输入法标签转换为目标信息流标签,该目标信息流标签可以表征目标用户的目标信息流画像,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息精确性较低的问题,该方式确定的目标推荐信息较符合目标用户的目标信息流画像,对目标用户个性化推荐而言更加精确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种应用场景所涉及的系统框架示意图;
图2为本申请实施例提供的一种确定推荐信息的方法的流程示意图;
图3为本申请实施例提供的一种向目标用户随机推荐信息的示意图;
图4为本申请实施例提供的一种向目标用户推荐目标推荐信息的示意图;
图5为本申请实施例提供的一种确定推荐信息的装置的结构示意图;
图6为本申请实施例提供的一种用于确定推荐信息的装置的结构示意图;
图7为本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
信息流产品需要向用户推荐其感兴趣的信息,以便吸引用户的注意力增加流量。现阶段,预先收集一段时间内信息流产品的行为用户对信息的点击行为以获得行为用户的信息流画像;当行为用户打开信息流产品时,向行为用户推荐符合其信息流画像的信息。但是,信息流产品的新用户对信息无任何点击行为,无法获得新用户的信息流画像,当新用户打开信息流产品时,无法基于新用户的信息流画像向其推荐信息,只能随机推荐信息,很难吸引新用户的注意力以增加流量,导致信息流产品对新用户的信息推荐效果较差,从而大大影响新用户对信息流产品的用户体验。
为了解决这一问题,在本申请实施例中,查询目标用户的至少包括目标输入法第一标签的目标输入法画像;通过输入法标签体系-信息流标签体系对应关系,查找目标输入法第一标签对应的第一目标信息流标签;基于第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;信息点击概率预测模型是基于行为用户的信息流画像、点击信息和点击信息的点击概率预先训练深度学习模型获得的。由此可见,利用输入法标签体系-信息流标签体系对应关系可以将目标用户的目标输入法标签转换为目标信息流标签,该目标信息流标签可以表征目标用户的目标信息流画像,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息不精确的问题,该方式确定的目标推荐信息较符合目标用户的目标信息流画像,对目标用户个性化推荐而言更加精确。
举例来说,本申请实施例的场景之一,可以是应用到如图1所示的场景中,该场景包括用户终端101和服务器102,某个信息流产品的新用户通过用户终端101打开该信息流产品时,将该信息流产品的新用户作为目标用户,该信息流产品具有多个候选推荐信息。服务器102通过本申请实施例的实施方式从多个候选推荐信息中确定目标推荐信息,控制用户终端101向目标用户推荐目标推荐信息。
上述的服务器102可以是实体机,也可以是虚拟机;上述的服务器10210可以是Web服务器,也可以是其他类型的服务器,例如APP服务器;上述的用户终端101可以是PC机,也可以是其它的移动终端,如手机或平台电脑等。
可以理解的是,在上述应用场景中,虽然将本申请实施方式的动作描述由服务器102执行,但是,本申请在执行主体方面不受限制,只要执行了本申请实施方式所公开的动作即可。
可以理解的是,上述场景仅是本申请实施例提供的一个场景示例,本申请实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本申请实施例中确定推荐信息的方法及相关装置的具体实现方式。
示例性方法
参见图2,示出了本申请实施例中一种确定推荐信息的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤201:查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签。
可以理解的是,信息流产品的新用户是指在信息流产品中对信息无任何点击行为的用户,无法获得新用户的信息流画像,当新用户打开信息流产品时,只能随机推荐信息给新用户,推荐信息精确性较低。若信息流产品的新用户是输入法产品的行为用户,则信息流产品的新用户具有输入法画像。因此,在本申请实施例中,当信息流产品的新用户打开信息流产品时,将该信息流产品的新用户作为目标用户,若目标用户是输入法产品的行为用户具有输入法画像,即,数据库中存储有目标用户的目标输入法画像;考虑建立输入法画像与信息流画像之间的关联,通过目标用户的目标输入法画像获得目标用户的目标信息流画像,则前提条件是先查询得到目标用户的目标输入法画像。
其中,用户的输入法画像一般是指输入法标签,或者输入法标签结合人口统计学特征,则输入法画像至少包括输入法标签,对应地,目标输入法画像至少包括目标输入法第一标签。
需要说明的是,查询目标用户的目标输入法画像可以采用各种查询方式,为了实现目标用户的目标输入法画像的实时查询,避免查询消耗较多时间,一般采用http查询接口查询方式。对于http查询接口查询方式而言,即使在高峰期查询速度也可基本达到1000次/秒,查询延时在15毫秒以内,能够真正做到实时查询。因此,在本申请实施例一种可选的实施方式中,所述步骤201例如具体可以为:利用http查询接口查询所述目标用户的所述目标输入法画像。
还需要说明的是,目标输入法第一标签是基于目标用户的历史输入语料,利用输入法语料环境的提取模型进行提取获得的。例如,输入法语料环境的提取模型表示为yu=F(xu|p),其中,xu表示目标用户的历史输入语料,p表示输入法标签体系,F表示提取规则,yu表示目标用户的目标输入法第一标签。其中,输入法标签体系包括各个输入法标签。
步骤202:基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签。
可以理解的是,由于目标用户的目标输入法画像至少包括目标输入法第一标签,则上述建立输入法画像与信息流画像之间的关联实际上是建立输入法标签体系与信息流标签体系之间的对应关系,记为输入法标签体系-信息流标签体系对应关系。其中,输入法标签体系包括各个输入法标签,信息流标签体系包括各个信息流标签,则输入法标签体系-信息流标签体系对应关系实际上是指各个输入法标签与各个信息流标签之间的对应关系。因此,在本申请实施例中,在步骤201查询到目标输入法第一标签之后,需要通过预先建立的输入法标签体系-信息流标签体系对应关系,查找与目标输入法第一标签对应的信息流标签作为第一目标信息流标签。该第一目标信息流标签可以表征目标用户的目标信息流画像,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像的问题。
需要说明的是,输入法标签体系-信息流标签体系对应关系的具体建立方式是指:将信息流标签体系包括各个信息流标签放入输入法语料环境,通过预设规则匹配算法将信息流标签体系包括的各个信息流标签与输入法标签体系包括的各个输入法标签进行对应,按照对应关系将对应的信息流标签与输入法标签集中存储。因此,在本申请实施例一种可选的实施方式中,所述输入法标签体系-信息流标签体系对应关系是将所述信息流标签体系中各个信息流标签放入输入法语料环境,与所述输入法标签体系中各个输入法标签匹配,预先建立的。
作为一种示例,假设信息流标签体系包括信息流标签1、信息流标签2和信息流标签3;输入法标签体系包括输入法标签A、输入法标签B和输入法标签C,将信息流标签1、信息流标签2和信息流标签3放入输入法语料环境,通过预设规则匹配算法发现信息流标签1与输入法标签B对应,信息流标签2与输入法标签A对应,信息流标签3与输入法标签C对应,则按照对应关系集中存储上述对应的信息流标签与输入法标签,建立输入法标签体系-信息流标签体系对应关系。
步骤203:基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
需要说明的是,在步骤203之前,针对信息流产品的行为用户,首先,需要明确其信息流画像并统计其点击信息和点击信息的点击概率,然后,以行为用户的信息流画像和点击信息为输入,以行为用户的点击信息的点击概率为输出,预先训练深度学习模型获得信息点击概率预测模型。该信息点击概率预测模型后续基于信息流画像和信息即可预测信息的点击概率。其中,对应于目标输入法画像至少包括目标输入法第一标签,行为用户的信息流画像至少包括行为用户的信息流标签,行为用户的信息流标签既可以是通过学习行为用户对信息的点击行为方式获得的,也可以是通过输入法标签体系-信息流标签体系对应关系,查询行为用户的输入法标签对应的信息流标签方式获得的,还可以是上述两种方式相结合获得的。因此,在本申请实施例一种可选的实施方式中,所述行为用户的信息流画像至少包括所述行为用户的信息流标签,所述步骤203中行为用户的信息流标签的获得步骤包括:基于所述行为用户对信息的点击行为,获得所述行为用户的信息流标签;和/或,基于所述行为用户的输入法标签查找所述输入法标签体系-信息流标签体系对应关系,获得所述行为用户的输入法标签对应的所述行为用户的信息流标签。
可以理解的是,在步骤202获得第一目标信息流标签之后,将第一目标信息流标签结合多个候选推荐信息,利用上述预先训练获得的信息点击概率预测模型,即可从多个候选推荐信息中确定目标推荐信息。步骤201-步骤203通过输入法标签体系-信息流标签体系对应关系和信息点击概率预测模型,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息精确性较低的问题,确定的目标推荐信息较符合目标用户的目标信息流画像,对目标用户个性化推荐而言更加精确。
需要说明的是,在步骤203具体实施时,首先,将第一目标信息流标签和多个候选推荐信息输入信息点击概率预测模型,该信息点击概率预测模型可预测对于目标用户而言,多个候选推荐信息中每个候选推荐信息的点击概率,记为预测点击概率;然后,基于多个候选推荐信息的预测点击概率,按照从大到小的顺序将多个候选推荐信息排序,选取排序后前N个候选推荐信息确定为目标推荐信息,其中,N为正整数,N小于多个候选推荐信息的总数。因此,在本申请实施例一种可选的实施方式中,所述步骤203例如可以包括以下步骤:
步骤A:将所述第一目标信息流标签和多个所述候选推荐信息输入所述信息点击概率预测模型,获得多个所述候选推荐信息的预测点击概率;
步骤B:基于多个所述候选推荐信息的预测点击概率,从多个所述候选推荐信息中确定所述目标推荐信息。
作为一种示例,假设第一目标信息流标签为信息流标签1,10个候选推荐信息,将信息流标签1和10个候选推荐信息输入信息点击概率预测模型,获得10个候选推荐信息的预测点击概率,基于10个候选推荐信息的预测点击概率,按照从大到小的顺序将10个候选推荐信息排序,选取排序后前3个候选推荐信息确定为目标推荐信息。
需要说明的是,输入法画像在至少包括输入法标签的基础上,还可以包括人口统计学特征,即,本申请实施例中的目标输入法画像还可以包括目标人口统计学特征;对应于目标输入法画像还可以包括目标人口统计学特征,行为用户的信息流画像还可以包括行为用户的人口统计学特征。对应地,步骤203中点击概率预测模型训练时的行为用户的信息流画像包括行为用户的信息流标签和人口统计学特征,则步骤203在将第一目标信息流标签和多个候选推荐信息输入信息点击概率预测模型的基础上,还需要将目标人口统计学特征输入该信息点击概率预测模型,从多个候选推荐信息中确定目标推荐信息。因此,在本申请实施例一种可选的实施方式中,所述目标输入法画像还包括目标人口统计学特征,对应地,所述行为用户的信息流画像还包括所述行为用户的人口统计学特征;所述步骤203例如具体可以为:基于所述第一目标信息流标签、所述目标人口统计学特征和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息。其中,所述目标人口统计学特征是将所述目标输入法第一标签输入人口统计学特征估计模型获得的,所述人口统计学特征估计模型是基于输入法标签和对应的人口统计学特征预先训练深度学习模型获得的。
需要说明的是,在步骤203确定目标推荐信息之后,需要向目标用户推荐该目标推荐信息,以实现对目标用户个性化推荐。此时,需要记录目标用户对目标推荐信息的操作行为,以便反馈调整信息上述点击概率预测模型,使得信息点击概率预测模型更加精准。具体地,通过目标用户对待推荐信息的操作行为可以获得目标推荐信息的点击概率,将目标推荐信息和目标推荐信息的点击概率结合第一目标信息流标签,即可更新训练信息点击概率预测模型。因此,在本申请实施例一种可选的实施方式中,例如还可以包括以下步骤:
步骤C:向所述目标用户推荐所述目标推荐信息,获得所述目标用户对所述目标推荐信息的操作行为;
步骤D:基于所述目标用户对所述待推荐信息的操作行为,获得所述目标推荐信息的点击概率;
步骤E:基于所述第一目标信息流标签、所述目标推荐信息和所述目标推荐信息的点击概率,更新训练所述信息点击概率预测模型。
还需要说明的是,上述目标用户对目标推荐信息的操作行为有可能为点击行为,则通过学习目标用户对目标推荐信息的点击行为,同样可以获得目标用户的第二目标信息流标签;通过输入法标签体系-信息流标签体系对应关系查找第二目标信息流标签对应的输入法标签,作为目标用户的目标输入法第二标签,以更新目标用户的目标输入法画像。因此,在本申请实施例一种可选的实施方式中,所述目标用户对所述目标推荐信息的操作行为具体为点击行为,例如还可以包括以下步骤:
步骤F:基于所述目标用户对所述目标推荐信息的点击行为,获得所述目标用户的第二目标信息流标签;
步骤G:基于所述第二目标信息流标签查找输入法标签体系-信息流标签体系对应关系,获得所述第二目标信息流标签对应的目标输入法第二标签;
步骤H:基于所述目标输入法第二标签更新所述目标输入法画像。
作为一种示例,在某信息流产品中对信息无任何点击行为的目标用户打开该信息流产品时,基于现有技术无法获得目标用户的目标信息流画像,只能向目标用户随机推荐信息,如图3所示的向目标用户随机推荐信息的示意图,推荐信息精确性较低,很难吸引目标用户的注意力以增加流量。若该目标用户是输入法产品的行为用户,则该目标用户具有至少包括目标输入法第一标签的目标输入法画像,采用本申请实施例的方式将目标输入法第一标签转换为表征目标用户的目标信息流画像的第一目标信息流标签,确定出较符合目标用户的目标信息流画像的目标推荐信息,向目标用户的推荐目标推荐信息,如图4所示的向目标用户推荐目标推荐信息的示意图,该目标推荐信息对目标用户个性化推荐而言更加精确。
通过本实施例提供的各种实施方式,查询目标用户的至少包括目标输入法第一标签的目标输入法画像;通过输入法标签体系-信息流标签体系对应关系,查找目标输入法第一标签对应的第一目标信息流标签;基于第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;信息点击概率预测模型是基于行为用户的信息流画像、点击信息和点击信息的点击概率预先训练深度学习模型获得的。由此可见,利用输入法标签体系-信息流标签体系对应关系可以将目标用户的目标输入法标签转换为目标信息流标签,该目标信息流标签可以表征目标用户的目标信息流画像,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息精确性较低的问题,该方式确定的目标推荐信息较符合目标用户的目标信息流画像,对目标用户个性化推荐而言更加精确。
示例性装置
参见图5,示出了本申请实施例中一种确定推荐信息的装置的结构示意图。在本实施例中,所述装置例如具体可以包括:
目标输入法第一标签查询单元501,用于查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
第一目标信息流标签获得单元502,用于基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
目标推荐信息确定单元503,用于基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
在本申请实施例一种可选的实施方式中,所述行为用户的信息流画像至少包括所述行为用户的信息流标签,所述装置还包括行为用户的信息流标签的获得单元;
所述行为用户的信息流标签的获得单元,用于基于所述行为用户对信息的点击行为,获得所述行为用户的信息流标签;和/或,
基于所述行为用户的输入法标签查找所述输入法标签体系-信息流标签体系对应关系,获得所述行为用户的输入法标签对应的所述行为用户的信息流标签。
在本申请实施例一种可选的实施方式中,所述输入法标签体系-信息流标签体系对应关系是将所述信息流标签体系中各个信息流标签放入输入法语料环境,与所述输入法标签体系中各个输入法标签匹配,预先建立的。
在本申请实施例一种可选的实施方式中,所述目标推荐信息确定单元503包括:
预测点击概率获得子单元,用于将所述第一目标信息流标签和多个所述候选推荐信息输入所述信息点击概率预测模型,获得多个所述候选推荐信息的预测点击概率;
目标推荐信息确定子单元,用于基于多个所述候选推荐信息的预测点击概率,从多个所述候选推荐信息中确定所述目标推荐信息。
在本申请实施例一种可选的实施方式中,所述目标输入法画像还包括目标人口统计学特征,对应地,所述行为用户的信息流画像还包括所述行为用户的人口统计学特征;所述目标推荐信息确定单元503具体用于:
基于所述第一目标信息流标签、所述目标人口统计学特征和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息;
其中,所述目标人口统计学特征是将所述目标输入法第一标签输入人口统计学特征估计模型获得的,所述人口统计学特征估计模型是基于输入法标签和对应的人口统计学特征预先训练深度学习模型获得的。
在本申请实施例一种可选的实施方式中,所述装置还包括:
推荐获得单元,用于向所述目标用户推荐所述目标推荐信息,获得所述目标用户对所述目标推荐信息的操作行为;
点击概率获得单元,用于基于所述目标用户对所述待推荐信息的操作行为,获得所述目标推荐信息的点击概率;
更新训练单元,用于基于所述第一目标信息流标签、所述目标推荐信息和所述目标推荐信息的点击概率,更新训练所述信息点击概率预测模型。
在本申请实施例一种可选的实施方式中,若所述目标用户对所述目标推荐信息的操作行为具体为点击行为,所述装置还包括:
第二目标信息流标签获得单元,用于基于所述目标用户对所述目标推荐信息的点击行为,获得所述目标用户的第二目标信息流标签;
目标输入法第二标签获得单元,用于基于所述第二目标信息流标签查找输入法标签体系-信息流标签体系对应关系,获得所述第二目标信息流标签对应的目标输入法第二标签;
目标输入法画像更新单元,用于基于所述目标输入法第二标签更新所述目标输入法画像。
通过本实施例提供的各种实施方式,查询目标用户的至少包括目标输入法第一标签的目标输入法画像;通过输入法标签体系-信息流标签体系对应关系,查找目标输入法第一标签对应的第一目标信息流标签;基于第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;信息点击概率预测模型是基于行为用户的信息流画像、点击信息和点击信息的点击概率预先训练深度学习模型获得的。由此可见,利用输入法标签体系-信息流标签体系对应关系可以将目标用户的目标输入法标签转换为目标信息流标签,该目标信息流标签可以表征目标用户的目标信息流画像,克服了针对在信息流产品中对信息无任何点击行为的目标用户,无法获得信息流画像导致推荐信息精确性较低的问题,该方式确定的目标推荐信息较符合目标用户的目标信息流画像,对目标用户个性化推荐而言更加精确。
图6是根据一示例性实施例示出的一种用于确定推荐信息的装置600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理部件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相互关联的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当设备600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到设备600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种确定推荐信息的方法,所述方法包括:
查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
图7是本申请实施例中服务器的结构示意图。该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)722(例如,一个或一个以上处理器)和存储器732,一个或一个以上存储应用程序742或数据744的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器732和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器722可以设置为与存储介质730通信,在服务器700上执行存储介质730中的一系列指令操作。
服务器700还可以包括一个或一个以上电源726,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口758,一个或一个以上键盘756,和/或,一个或一个以上操作系统741,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上,然而并非用以限定本申请。任何熟悉本领域的技术人员,在不脱离本申请技术方案范围情况下,都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种确定推荐信息的方法,其特征在于,包括:
查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
2.根据权利要求1所述的方法,其特征在于,所述行为用户的信息流画像至少包括所述行为用户的信息流标签,所述行为用户的信息流标签的获得步骤包括:
基于所述行为用户对信息的点击行为,获得所述行为用户的信息流标签;和/或,
基于所述行为用户的输入法标签查找所述输入法标签体系-信息流标签体系对应关系,获得所述行为用户的输入法标签对应的所述行为用户的信息流标签。
3.根据权利要求1或2所述的方法,其特征在于,所述输入法标签体系-信息流标签体系对应关系是将所述信息流标签体系中各个信息流标签放入输入法语料环境,与所述输入法标签体系中各个输入法标签匹配,预先建立的。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息,包括:
将所述第一目标信息流标签和多个所述候选推荐信息输入所述信息点击概率预测模型,获得多个所述候选推荐信息的预测点击概率;
基于多个所述候选推荐信息的预测点击概率,从多个所述候选推荐信息中确定所述目标推荐信息。
5.根据权利要求1所述的方法,其特征在于,所述目标输入法画像还包括目标人口统计学特征,对应地,所述行为用户的信息流画像还包括所述行为用户的人口统计学特征;所述基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息,具体为:
基于所述第一目标信息流标签、所述目标人口统计学特征和多个候选推荐信息,利用信息点击概率预测模型从多个候选推荐信息获得目标推荐信息;
其中,所述目标人口统计学特征是将所述目标输入法第一标签输入人口统计学特征估计模型获得的,所述人口统计学特征估计模型是基于输入法标签和对应的人口统计学特征预先训练深度学习模型获得的。
6.根据权利要求1所述的方法,其特征在于,还包括:
向所述目标用户推荐所述目标推荐信息,获得所述目标用户对所述目标推荐信息的操作行为;
基于所述目标用户对所述待推荐信息的操作行为,获得所述目标推荐信息的点击概率;
基于所述第一目标信息流标签、所述目标推荐信息和所述目标推荐信息的点击概率,更新训练所述信息点击概率预测模型。
7.根据权利要求6所述的方法,其特征在于,若所述目标用户对所述目标推荐信息的操作行为具体为点击行为,所述方法还包括:
基于所述目标用户对所述目标推荐信息的点击行为,获得所述目标用户的第二目标信息流标签;
基于所述第二目标信息流标签查找输入法标签体系-信息流标签体系对应关系,获得所述第二目标信息流标签对应的目标输入法第二标签;
基于所述目标输入法第二标签更新所述目标输入法画像。
8.一种确定推荐信息的装置,其特征在于,包括:
目标输入法第一标签查询单元,用于查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
第一目标信息流标签获得单元,用于基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
目标推荐信息确定单元,用于基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
9.一种用于确定推荐信息的装置,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
查询目标用户的目标输入法画像,所述目标输入法画像至少包括目标输入法第一标签;
基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系,获得所述目标输入法第一标签对应的第一目标信息流标签;
基于所述第一目标信息流标签和多个候选推荐信息,利用信息点击概率预测模型从多个所述候选推荐信息中确定目标推荐信息;所述信息点击概率预测模型是基于行为用户的信息流画像、点击信息和所述点击信息的点击概率预先训练深度学习模型获得的。
10.一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得装置执行如权利要求1至7中任一项所述的确定推荐信息的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089952.4A CN112784151B (zh) | 2019-11-08 | 2019-11-08 | 一种确定推荐信息的方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911089952.4A CN112784151B (zh) | 2019-11-08 | 2019-11-08 | 一种确定推荐信息的方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784151A true CN112784151A (zh) | 2021-05-11 |
CN112784151B CN112784151B (zh) | 2024-02-06 |
Family
ID=75748495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911089952.4A Active CN112784151B (zh) | 2019-11-08 | 2019-11-08 | 一种确定推荐信息的方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784151B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360761A (zh) * | 2021-06-11 | 2021-09-07 | 北京百度网讯科技有限公司 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
CN113377849A (zh) * | 2021-05-24 | 2021-09-10 | 上海钧正网络科技有限公司 | 一种信息推荐方法、装置及设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
CN106919695A (zh) * | 2017-03-07 | 2017-07-04 | 维沃移动通信有限公司 | 一种信息推荐方法及终端 |
CN107562884A (zh) * | 2017-09-04 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 一种信息流展现方法、装置、服务器和存储介质 |
CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
WO2018171288A1 (zh) * | 2017-03-22 | 2018-09-27 | 广州优视网络科技有限公司 | 给信息流标注标签的方法、装置、终端设备及存储介质 |
CN109446431A (zh) * | 2018-12-10 | 2019-03-08 | 网易传媒科技(北京)有限公司 | 用于信息推荐的方法、装置、介质、和计算设备 |
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN109886729A (zh) * | 2019-01-10 | 2019-06-14 | 北京三快在线科技有限公司 | 预测点击概率的方法、装置、电子设备及可读存储介质 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
CN110222256A (zh) * | 2019-05-06 | 2019-09-10 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和用于信息推荐的装置 |
CN110266745A (zh) * | 2019-03-08 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 基于深度网络的信息流推荐方法、装置、设备及存储介质 |
CN110309414A (zh) * | 2018-03-16 | 2019-10-08 | 优酷网络技术(北京)有限公司 | 内容推荐方法、内容推荐装置和电子设备 |
-
2019
- 2019-11-08 CN CN201911089952.4A patent/CN112784151B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965890A (zh) * | 2015-06-17 | 2015-10-07 | 深圳市腾讯计算机系统有限公司 | 广告推荐的方法和装置 |
CN106803190A (zh) * | 2017-01-03 | 2017-06-06 | 北京掌阔移动传媒科技有限公司 | 一种广告个性化推送系统及方法 |
CN106919695A (zh) * | 2017-03-07 | 2017-07-04 | 维沃移动通信有限公司 | 一种信息推荐方法及终端 |
WO2018171288A1 (zh) * | 2017-03-22 | 2018-09-27 | 广州优视网络科技有限公司 | 给信息流标注标签的方法、装置、终端设备及存储介质 |
CN107562884A (zh) * | 2017-09-04 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 一种信息流展现方法、装置、服务器和存储介质 |
CN108537568A (zh) * | 2018-03-07 | 2018-09-14 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法和装置 |
CN110309414A (zh) * | 2018-03-16 | 2019-10-08 | 优酷网络技术(北京)有限公司 | 内容推荐方法、内容推荐装置和电子设备 |
CN109446431A (zh) * | 2018-12-10 | 2019-03-08 | 网易传媒科技(北京)有限公司 | 用于信息推荐的方法、装置、介质、和计算设备 |
CN109886729A (zh) * | 2019-01-10 | 2019-06-14 | 北京三快在线科技有限公司 | 预测点击概率的方法、装置、电子设备及可读存储介质 |
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN110266745A (zh) * | 2019-03-08 | 2019-09-20 | 腾讯科技(深圳)有限公司 | 基于深度网络的信息流推荐方法、装置、设备及存储介质 |
CN110222256A (zh) * | 2019-05-06 | 2019-09-10 | 北京搜狗科技发展有限公司 | 一种信息推荐方法、装置和用于信息推荐的装置 |
CN110196948A (zh) * | 2019-06-10 | 2019-09-03 | 北京金山安全软件有限公司 | 内容推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
FEIYANG PAN; SHUOKAI LI; XIANG AO; PINGZHONG TANG; QING HE: "基于所述目标输入法第一标签查找输入法标签体系-信息流标签体系对应关系", ARXIV, pages 1 - 10 * |
唐英杰: "短视频UGC信息流广告的用户采纳及运营策略研究", 中国优秀硕士学位论文全文数据库, pages 123 - 270 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377849A (zh) * | 2021-05-24 | 2021-09-10 | 上海钧正网络科技有限公司 | 一种信息推荐方法、装置及设备 |
CN113377849B (zh) * | 2021-05-24 | 2022-10-11 | 上海钧正网络科技有限公司 | 一种信息推荐方法、装置及设备 |
CN113360761A (zh) * | 2021-06-11 | 2021-09-07 | 北京百度网讯科技有限公司 | 信息流推荐方法、装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112784151B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227950B (zh) | 一种输入方法和装置 | |
CN109447125B (zh) | 分类模型的处理方法、装置、电子设备及存储介质 | |
US20170118298A1 (en) | Method, device, and computer-readable medium for pushing information | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN110175223A (zh) | 一种实现问题生成的方法及装置 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN112508612B (zh) | 训练广告创意生成模型、生成广告创意的方法及相关装置 | |
US20160314164A1 (en) | Methods and devices for sharing cloud-based business card | |
US11546663B2 (en) | Video recommendation method and apparatus | |
CN112445970A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112148923A (zh) | 搜索结果的排序方法、排序模型的生成方法、装置及设备 | |
CN112784151B (zh) | 一种确定推荐信息的方法及相关装置 | |
CN112685641B (zh) | 一种信息处理方法及装置 | |
CN109842688B (zh) | 一种内容推荐方法、装置、电子设备及存储介质 | |
CN110941727A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN113609380B (zh) | 标签体系更新方法、搜索方法、装置以及电子设备 | |
CN111831132A (zh) | 一种信息推荐方法、装置和电子设备 | |
CN113946228A (zh) | 语句推荐方法、装置、电子设备和可读存储介质 | |
CN113392898A (zh) | 一种训练图像分类模型、图像搜索的方法及相关装置 | |
CN112036247A (zh) | 表情包文字生成方法、装置及存储介质 | |
CN111611339A (zh) | 一种输入相关用户的推荐方法及相关装置 | |
CN110851624A (zh) | 一种信息查询方法及相关装置 | |
CN114722238B (zh) | 视频推荐方法、装置、电子设备、存储介质及程序产品 | |
CN113535015A (zh) | 一种信息推荐方法、装置和电子设备 | |
CN114385838A (zh) | 一种信息分类方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |